Il punto è proprio qui: i dati intelligenti sono correlati alle infografiche? La risposta è sì e ora vediamo come questo collegamento può rendere la nostra giornata lavorativa più semplice.

Dati e dati intelligenti: cosa sono?

I dati hanno acquisito negli ultimi anni – seppur siano qualcosa di intangibile (leggi il nostro articolo sugli asset intangibili) – un valore sempre più crescente. Si pensi ad esempio ai dati personali, per i social network sono diventati motivo di fatturato, in quanto i dati raccolti vengono “venduti” per poter creare sponsorizzate dalle aziende che vogliono posizionarsi nel web.

Questo è ovviamente il panorama più inquietante che è emerso dall’ombra negli anni ma che nulla c’entra con quello che accade all’interno di un’azienda dove i dati sono quelli che vengono raccolti, per esempio, da tutti i macchinari connessi in uno stabilimento di produzione (la cosiddetta Internet of Things – IoT).

Sono milioni di dati che costantemente vengono registrati e che contengono informazioni preziose. Questi dati, infatti, da soli non servono a nulla se non vengono elaborati, interpretati, capiti. Parliamo quindi di dati intelligenti quei dati che vengono appunto trattati per aiutare a prendere delle decisioni.

In questo momento l’intelligenza artificiale offre un aiuto decisivo nell’interpretazione di tali dati come ad esempio nell’analisi predittiva. Basandosi proprio su statistica, l’intelligenza artificiale leggendo i dati, può riuscire a prevedere delle situazioni che – in base a specifiche condizioni – si sono verificate in passato e quindi aiutarci ad evitarle.

Nel caso invece di una gestione di dati documentali ci ritroviamo invece di fronte a milioni di informazioni e diventa sempre difficile riuscire a trovare a una correlazione tra di loro.

Sarebbe bello se tutta la documentazione fosse collegata, ordinata e catalogata fin dal principio. In realtà sappiamo invece che in molti casi si tratta di utopia e gli utenti – per diversi motivi – non gestiscono le informazioni in modo corretto.

Ci ritroviamo quindi con dati sparsi e disordinati.

Nel momento in cui approcciamo una ricerca, riuscire a “vedere” i collegamenti tra i vari documenti ci aiuterebbe non poco ad avere una visione a volo d’uccello e farci vedere “la luce”.

Per questo ci vengono in aiuto grafi e infografiche.

Grafi e infografiche: cosa sono?

Seppur condividendo una parte della parole, c’è una sostanziale differenza tra grafi e infografiche.

I grafi sono utilizzati in informatica per rappresentare le relazioni fra oggetti. Un grafo è composto da un insieme di nodi (o vertici) e un insieme di archi (o spigoli) che collegano questi nodi. Ecco il significato di questi due termini:

• Nodo (vertice): i nodi sono i punti o le entità nel grafo. Possono rappresentare oggetti, individui, luoghi o qualsiasi altra cosa che si desidera modellare. In un grafo, ogni nodo è unico e può essere collegato ad altri nodi tramite archi.
• Arco (spigolo): gli archi sono i collegamenti tra i nodi in un grafo. Gli archi rappresentano le relazioni o le connessioni tra i nodi. Possono essere diretti o non diretti, a seconda se vi è una direzione specifica tra due nodi o meno.

Ma veniamo alle infografiche. Esse sono rappresentazioni visive di informazioni, dati o concetti complessi che utilizzano elementi grafici come grafici, diagrammi, icone e immagini per comunicare in modo chiaro ed efficace. L’obiettivo principale delle infografiche è rendere le informazioni più accessibili e comprensibili, rendendo facile la visualizzazione e l’interpretazione dei dati o dei concetti che altrimenti potrebbero essere difficili da comprendere attraverso testo o numeri da soli.

Ecco le caratteristiche chiave di un’infografica:

1. Semplificazione: è proprio l’obiettivo delle infografiche, cioè semplificano dati complessi o concetti rendendoli più digeribili. Utilizzano spesso immagini e grafici per tradurre informazioni in un formato visuale.
2. Comunicazione rapida: ottenere una visione d’insieme in pochi secondi, il che le rende ideali per catturare l’attenzione e trasmettere messaggi chiari.
3. Varie forme: possono assumere molte forme diverse, alcune sono principalmente grafici o diagrammi, mentre altre sono più orientate all’uso di immagini, icone e testo. Il formato specifico dipende dall’obiettivo e dal tipo di dati o informazioni che si desidera comunicare.
4. Colore e design: si utilizzano colori, font e layout attraenti per migliorare la leggibilità e l’estetica.
5. Narrativa visiva: raccontano una storia visuale, utilizzano la disposizione degli elementi per guidare il lettore attraverso una sequenza di informazioni in un ordine logico.
6. Fonti di dati: sono incluse citazioni o fonti di dati per garantire la trasparenza e la credibilità delle informazioni presentate.

Arriviamo quindi all’unione di dati, grafi e infografiche.

Come possiamo unire dati, grafi e infografiche?

Potete capire immediatamente che le infografiche possono essere uno strumento potente per visualizzare e rappresentare i dati intelligenti in modo più efficace ed esteticamente accattivante.

L’uso di grafi diventa fondamentale specialmente quando si tratta di analizzare dati complessi o di estrarre informazioni significative da reti di dati interconnesse.

Un esempio è la gestione della conoscenza: l’uso di grafi può aiutare a organizzare e rappresentare la conoscenza in modo strutturato. Ad esempio, i grafi del knowledge graph (grafo di conoscenza) vengono utilizzati per collegare concetti e informazioni in modo da facilitare la ricerca semantica e l’accesso ai dati intelligenti.

Il nostro BoK, per esempio, utilizza grafi della conoscenza per rappresentare i dati dei risultati della ricerca e in modo esteso un database grafico, anche detto angolare. Fa parte delle funzionalità standard di BoK su cui è basato ogni algoritmo che gira in Graph.

I confini tra grafi e infografica stanno diventando sempre più sottili, anzi i due argomenti stanno letteralmente fondendosi. Oggi grazie a tool grafici standard già esistenti (come alcuni di quelli che usiamo in BoK – vedi la funzionalità di WordCloud e la rappresentazione di Network di documenti) e maggiormente in futuro grazie al supporto dell’AI, si generanno in modo indistinto entrambi. Rimarranno appannaggio dei grafici (per il momento) le infografiche specialistiche e/o le analisi su specifici fenomeni o le infografiche ad uso marketing o comunicazione. Già oggi la semplice Business Intelligence con l’assistenza dell’AI ci sta facendo vedere chiaramente che quella è la strada.

Conclusione

Come abbiamo già più volte affrontato in diversi articoli sul nostro blog inTheKnowledge, l’aumento vertiginoso della quantità di dati e informazioni ci pone davanti a un dato di fatto: rendere semplice e alla portata di tutti la ricerca delle vere informazioni che ci servono. L’utilizzo di grafi e infografiche è una delle soluzioni.

Fonti dei dati: Wikipedia

Cos’è il NLU, Natural Language Understanding

Fin dalla comparsa dei motori di ricerca, siamo stati abituati a cercare le informazioni attraverso l’utilizzo di parole chiave. Negli anni le nostre ricerche si sono trasformate e i motori di ricerca, attraverso l’inserimento di frasi più o meno lunghe o di vocali, interpretavano gli intenti di ricerca.

L’implementazione del NLU – il Natural Language Understanding – nell’IA ha consentito di analizzare e interpretare il linguaggio umano in modo significativo. Attraverso l’analisi sintattica e semantica, infatti, l’estrazione delle informazioni e la classificazione degli intenti, il NLU permette all’IA di comprendere il significato reale delle frasi, andando quindi oltre la corrispondenza di parole chiave. Questa modalità consente alle macchine di rispondere in modo più naturale e coerente alle domande e alle richieste degli utenti.

L’arrivo del LLM, Large Language Models

I LLM – Large Language Models – sono uno degli sviluppi più promettenti delle reti neurali. Questi modelli, basati sull’apprendimento automatico (il machine learning) e sull’apprendimento profondo (il deep learning), sono addestrati su un’enorme quantità di dati testuali per sviluppare una comprensione avanzata del linguaggio.

L’uso di tecniche come le reti neurali – ANN, Artificial Neural Network, che provano ad emulare il cervello umano e le sue interazioni – ha permesso ai Large Language Models di superare i limiti dei modelli precedenti, consentendo una comprensione più contestuale e sofisticata del linguaggio umano.

Applicazioni dei LLM

I Large Language Models hanno rivoluzionato molte applicazioni basate sul linguaggio naturale. Ad esempio, i chatbot alimentati dai Large Language Models sono in grado di comprendere e rispondere in modo coerente alle domande degli utenti, dando il via – tra le altre cose – al marketing conversazionale (leggi le differenze tra chatbot divergenti e convergenti). Se parliamo di ricerche, i Large Language Models possono fornire risultati più accurati e rilevanti, comprensibili anche a partire da frasi incomplete o mal formate (ne è un esempio Bing).

I Large Language Models hanno trovato impiego anche in ambiti come l’analisi dei sentimenti, l’elaborazione dei test, la traduzione automatica e in ambito educativo (su questo tema è da guardare il TED talk di Sal Khan uscito recentemente).

I limiti dei LLM

Nonostante i significativi progressi, il Natural Language Understanding e i Large Language Models hanno ancora davanti molte sfide da vincere. Sebbene i risultati siano incoraggianti, la comprensione del contesto, del sarcasmo, dell’ironia e delle sfumature linguistiche rimangono ancora compiti complessi da affrontare. Come lo è anche l’etica e la privacy, aspetti che permettono di garantire un uso responsabile delle tecnologie.

Ci sono cinque ambiti in particolare dove questi modelli devono ancora migliorare:

• La dipendenza da grandi quantità di dati
• La mancanza del comune buon senso
• La mancanza di empatia
• Il livello di personalizzazione che è ancora troppo limitato
• L’isolamento ed il fatto che i dati sono normalmente off-online.

Inoltre questi modelli dovranno fare i conti con le modifiche normative che nei prossimi mesi inizieranno ad essere implementate da vari stati nel mondo, proprio perché lo sviluppo tecnologico corre a velocità impressionanti e i temi che affronta sono estremamente delicati. Ad esempio l’Europa è ormai quasi pronta alla pubblicazione dell’AI ACT, che regolamenta lo sviluppo dell’IA.

Il futuro dei LLM

I ricercatori stanno continuamente migliorando i Large Language Models, creando modelli sempre più avanzati e in grado di comprendere il linguaggio umano con sempre maggiore precisione. La combinazione del NLU con altre tecnologie emergenti, come l’elaborazione del linguaggio naturale basata sulla conoscenza e la comprensione multimodale, cioè l’utilizzo di diverse fonti di dati come testo, foto, video e audio, porterà a sistemi ancora più potenti e intuitivi.

Conclusione

Il Natural Language Understanding e i Large Language Models stanno rivoluzionando le interazioni tra uomini e macchine, consentendo alle macchine di comprendere il linguaggio umano in modo più accurato e contestualmente ricco. Nonostante gli sviluppi e le sfide attuali che abbiamo presentato, il futuro del NLU è promettente, con il potenziale per ulteriori progressi e applicazioni innovative.

Siamo solo all’inizio di un’era in cui le macchine comprendono veramente ciò che diciamo e rispondono alle nostre esigenze in modo intelligente.

È proprio così: chatGPT non è un motore di ricerca! La goccia che ha fatto traboccare il vaso e ci ha spinti a scrivere questo articolo è stato un episodio paradossale e portato all’onor di cronaca dal New York Times qualche giorno fa e rilanciato anche qui in Italia (riportiamo qui l’articolo di Fan Page).

È il caso dell’avvocato Steven A. Schwartz – con oltre 30 anni di esperienza – che nella sua memoria difensiva si è fatto assistere da chatGPT nel chiedere una lista di sentenze precedenti simili al caso subito dal suo assistito (ricordiamo che negli Stati Uniti il sistema giuridico è basato sul Common Law: la legge si forma attraverso le nuove decisioni, e l’affinamento di decisioni precedenti, prese dai giudici e dai tribunali nel corso del tempo). Peccato che non avesse verificato la veridicità dei fatti e difatti nessuno in aula riusciva a trovare quei casi che lui stava citando.

In sintesi l’avvocato ha confessato di essersi affidato a chatGPT per integrare la sua ricerca, si è rammaricato del suo operato e molto probabilmente verrà sanzionato dal giudice per negligenza.

Che cos’è l’IA generativa

L’intelligenza artificiale generativa è una tipologia di intelligenza artificiale che è in grado di generare testi, video, immagini, musica a partire da un prompt. I sistemi di intelligenza artificiale generativa utilizzano particolari modelli statistici “di una distribuzione congiunta di una variabile osservabile e di una variabile dipendente, che nel contesto del data mining è detta variabile target” (fonte: Wikipedia).

Uno di questi modelli statistici che viene utilizzato sono i modelli linguistici di grandi dimensioni – comunemente chiamati in inglese Large Language Models, LLM – che partono da un dataset per fare addestramento.

Il prompt di richiesta per sistemi come quelli di chatGPT o Bard è generalmente formato in linguaggio naturale, cioè in linguaggio utilizzato dall’umano per parlare.

È proprio questa facilità di accesso al dato che ha confuso il modo in cui collaborare con chatGPT, facendo credere alle persone di parlare con una persona fisica o un esperto su certe materie specifiche e cominciare a interrogarlo o a fare ricerche.

Perché chatGPT non è un motore di ricerca

chatGPT ha una base di conoscenza di apprendimento fino all’anno 2021 e la knowledge base utilizzata per il training del LLM era costituita da un archivio di 45 TB di dati in formato testo. Uno dei motivi di tale limite temporale è presto detto: fino a quell’anno in rete c’era solo contenuto creato da umani e non da intelligenza artificiale . Il rischio oggi infatti è che l’IA impari (anzi non impari) da contenuti generati da essa stessa.

Per fare un esempio di come invece può essere usata l’intelligenza artificiale generativa nel modo corretto abbiamo chiesto a chatGPT di aiutarci a trovare una frase che descriva l’uso improprio del caso citato utilizzando un tono ironico. Tra le diverse frasi che ci ha proposto ecco quella che ci è piaciuta di più:

“Contare su ChatGPT per risolvere problemi seri è come mettere un cappello da mago su un computer e sperare che esca un coniglio dallo schermo: tener presente che la realtà può riservare sorprese sgradevoli.”

Spiegato così il significato diventa molto più chiaro e ci aiuta ad avvicinarci all’intelligenza artificiale in modo più utile e corretto: affiancarci nel trovare delle nuove soluzioni, dei pensieri alternativi, dei ragionamenti. È naturale quindi ritenere che l’intervento dell’uomo ci deve essere sempre.

Come poter fare le ricerche in modo evoluto

Che soluzione avrebbe potuto adottare l’avvocato per riuscire a trovare le sentenze di cui aveva bisogno? Partendo da dei documenti ufficiali di giurisprudenza caricati in un sistema di Knowledge Management è possibile creare delle basi dati dalle quali attingere informazioni affidabili attraverso dei sistemi evoluti di ricerca, che vanno oltre le classiche ricerche per keyword.

Questo è quello che facciamo noi in R-Tree con BoK: una ricerca aumentata a partire da un set di documenti con in quali è possibile chattare, attraverso un chatbot, il quale apprende dalle informazioni che noi gli abbiamo dato, fornendoci un supporto di rinforzo e darci la possibilità di darci delle risposte corrette in poco tempo.

La conoscenza – il knowledge – si arricchisce aggiungendo ai documenti anche note personali, favorendo anche il trasferimento della conoscenza stessa ad altri.

Questa è l’intelligenza artificiale che ci piace, che vogliamo utilizzare e che ci è utile nel lavoro di tutti i giorni.

Come previsto, le aspettative e i rumors sul miglioramento delle performances del modello GPT-4 sono state mantenute da OpenAI.

In R-Tree technologies già integriamo nei nostri prodotti la release 3.0 (nota come Davinci) e la release 3.5 (nota come chatGPT). Appena verrà rilasciato GPT-4 diventerà l’Engine di analisi del linguaggio umano di riferimento dei nostri prodotti.

La parte più innovativa di GPT-4 consiste nel fatto che questo LLM Large Language Model è diventato Multimodale e ciò significa che anche le immagini possono essere utilizzate per interagire con l’IA. Inoltre OpenAI ha migliorato sensibilmente la capacità di analisi del linguaggio umano ed affidabilità nella produzione di risposte e questo miglioramento è particolarmente percepibile rispetto a contenuti di tipo tecnico.

La novità più grande di GPT-4

Per comprendere la portata del salto tecnologico conseguito da GPT-4, basta dare un’occhiata alla risposta generata su una domanda presente in un test del Politecnico di Parigi, dipartimento di Fisica:

L’Engine GPT-4 non solo è stato in grado di dare la risposta giusta, ma anche di spiegare passo per passo la soluzione al quesito.
Questo nuovo salto tecnologico avrà certamente delle ricadute importanti nell’ambito della creazione di assistenti digitali a supporto del middle e del top management delle organizzazioni, indipendentemente dal settore economico o mercato ai quali appartengono.

Molto presto questi diverranno degli strumenti di lavoro comuni, come oggi lo sono altri tool di office automation che sono ormai diventati parte integrante del lavoro quotidiano di ogni mansione. Chiaramente la novità degli assistenti digitali consisterà nella possibilità di generare concetti nuovi, di aggiungere performances che l’umano non necessariamente già deteneva.

Noi di R-Tree technologies sul tema del Knowledge Management (vedi la nostra Bibliografia sul Knowledge Management) e sulla creazione di Asset Digitali basati sulla conoscenza stiamo lavorando ormai da anni e a breve metteremo a disposizione dei nostri clienti queste capacità di elaborazione avanzate.

Se vuoi sapere di più sulle funzionalità dei nostri prodotti, ti invitiamo a contattarci:

Fonti: https://cdn.openai.com/papers/gpt-4.pdf

Mi rendo conto che il titolo può sembrare un po’ forte, ma l’argomento che voglio trattare è uno di quelli da non sottovalutare: è possibile che un algoritmo di Intelligenza Artificiale, o meglio di Intelligenza Aumentata, risenta di alcuni sostanziali errori di programmazione e bias (Nota 1) tali da rendere un’elaborazione basata su di esso talmente di parte da sfiorare il rischio che sia razzista (Nota 2)?

La risposta, come vedremo in alcuni casi, potrebbe essere affermativa, a seguito di due diverse criticità che vengono proposte di seguito in questo articolo.

Primo problema: ogni algoritmo di Intelligenza Artificiale risente delle scelte fatte sulla scelta dei dati utilizzati durante la fase di machine o deep learning

Ogni Project Leader, Analyst, Architect, Programmatore, Data Scientist ed in generale chiunque intervenga in un progetto di implementazione di un algoritmo di Intelligenza Aumentata compie necessariamente delle scelte. Chi si occupa della definizione della fase di machine o deep learning è chiamato (oltre ad identificare uno o più modelli matematici/statistici) a definire su quali dati, tra tutti quelli a disposizione, egli eseguirà i cicli di training e di test dei modelli.

Queste scelte possono essere intrinsecamente affette dei vizi di fondo: la scelta di quali dati utilizzare può rendere tali dati “parziali” perché le scelte fatte possono dipendere dalla cultura, dagli studi fatti, dall’esperienze del passato, dai pregiudizi, dai valori, dagli stereotipi, dalle credenze che naturalmente compongono l’animo umano (compreso l’animo dei razionalissimi esperti di Data Science).  È quello che in termini scientifici viene chiamato bias (Nota 1) ed esso interviene quando la mappa mentale di una persona è condizionata da concetti preesistenti non necessariamente connessi tra loro da legami logici e validi.

Può accadere che chi implementa progetti di Intelligenza Artificiale possa prendere delle scorciatoie cognitive, certamente in buona fede, ma che possono portare ad intravvedere nei dati dei fenomeni che in realtà non esistono: nell’immagine qui sopra riportata c’è sicuramente un triangolo nero, c’è una persona che sta guardando tre elementi neri, ma non c’è alcun triangolo bianco, anche se a noi sembra di intravvederlo, ma è un’illusione cognitiva.

Non parliamo poi di quando una semplice correlazione tra dati assolutamente scollegati tra di loro viene scambiata per una relazione di causa-effetto: immaginiamo che venga trovata una correlazione tra l’andamento del numero di persone annegate in piscina in Italia ed il numero di automobili vendute in Giappone. Il fatto che i due fenomeni “si muovano statisticamente” in modo similare o correlato, ciò non significa che siano tra di loro in una relazione di causa-effetto.

Da tutto ciò ne deriva il fatto che nell’implementazione di un freddo algoritmo matematico-statistico si può sempre intravvedere anche un “riverbero” più o meno marcato della sensibilità dell’animo umano di chi lo ha implementato o ha semplicemente scelto su quali dati addestrare un Engine di IA. E se l’implementatore fosse mosso da proprie scelte discutibili o avesse dei fini non etici o immorali?

Dare per scontato che tutti questi problemi non esistano e non possano in qualche modo generare delle deformazioni della rappresentazione della realtà prodotta dall’Intelligenza Aumentata è un bias in sé stesso.

Secondo problema: quali sono i limiti endemici che affliggono i dati disponibili al livello mondiale, sui quali eseguiamo i cicli di training dell’Intelligenza Artificiale?

La risposta a questa domanda non è scontata, in particolare quando riflettiamo concretamente sul tema dei dati che realmente sono disponibili su larga scala e a livello mondiale.

Innanzi tutto, dovremmo chiederci:

• Quali sono le nazioni/mercati che oggi producono dati?
• Quali sono i contesti culturali di cui fanno parte queste nazioni?

Ci dovremmo porre queste domande prima di lanciare ogni nuova attività di training di Engine IA che non riguardi fenomeni particolari, ma che abbia un respiro internazionale o si occupi di fenomeni a livello globale.

E se i dati che disponiamo fossero afflitti da un tremendo bias semplicemente perché si tratta di dati parziali?

Rappresentatività dei dati

Per approfondire questo argomento è opportuno dare un’occhiata ad un articolo pubblicato sulla Harward Business Review dal titolo “Which Countries Are Leading the Data Economy?” (Nota 3) scritto da Bhaskar Chakravorti, Ajay Bhalla e Ravi Shankar Chaturvedi, che vi invito a leggere.

In questo articolo viene stillata la classifica delle 30 nazioni al mondo che producono più dati. La classifica tiene conto dei seguenti fattori:

1. Volume: quantità assoluta di banda larga consumata da un paese, come indicatore della quantità di dati grezzi generati.
2. Utilizzo: numero di utenti attivi su Internet, come indicatore dell’ampiezza dei comportamenti, delle esigenze e dei contesti di utilizzo.
3. Accessibilità: apertura istituzionale ai flussi di dati come modo per valutare se i dati generati in un paese consentono una più ampia usabilità e accessibilità da parte di più ricercatori, innovatori e applicazioni di IA.
4. Complessità: volume del consumo a banda larga pro capite, come indicatore per la sofisticazione e la complessità dell’attività digitale

Gli autori, nel loro articolo, segnalano che il concetto di “dati” è obiettivamente molto ampio ed è difficile da definire in modo univoco. È interessante capire quale sia l’approccio che i ricercatori hanno proposto per definire il concetto di dato: è noto che, per riconoscere la traccia digitale generata dai sistemi di scambio di dati di tutto il mondo, bisogna coprire ed analizzare una vasta gamma di attività, dall’invio di un messaggio di testo, una email, un post sul social, un SMS, i dati IOT, fino alle transazioni economico-finanziarie.

Per consentire un confronto omogeneo tra dati molto diversi e provenienti da tutto il mondo, hanno proposto di utilizzare la quantificazione della banda larga disponibile pro capite come misura di dell’ampiezza e della complessità dello scambio di dati che avviene in quel luogo del mondo (in qualche modo, imitando l’uso del reddito pro capite come indicatore della prosperità complessiva).

Ed ecco la classifica delle nazioni al mondo che producono più dati, rispetto ai quatto fattori sopra esposti:

Vorrei porre l’attenzione sul fatto che, per i fini del presente articolo, quando si conta il numero delle nazioni al mondo, indirettamente si contano quante diverse aggregazioni “uniche” esistono di individui che tipicamente condividono una lingua, un luogo geografico, una storia, delle tradizioni, un’etnia ed eventualmente un governo: queste aggregazioni sono indirettamente rappresentative di quante diverse Culture (per quanto simili, ma non equivalenti) esistano al mondo.

Mi sono quindi posto una domanda molto semplice: queste 30 nazioni quanto rappresentano in termini di numero di individui, rispetto alla popolazione mondiale?

Dall’ultima stima sulla popolazione mondiale redatta dall’ONU con riferimento al 01/07/2015 (Nota 4) si evince quanto segue:

Dei 7,3 miliardi di persone esistenti al mondo sparse in 196 nazioni:

• Le prime 20 nazioni che producono dati hanno una popolazione di 2,5 Miliardi di persone, pari al 34,2% della popolazione totale
• Se si aggiungono le successive 10 nazioni produttrici di dati, si raggiungono i 4,6 miliardi di persone

pertanto, le prime 30 nazioni produttrici di dati al mondo rappresentano il 15,3% delle 196 nazioni, e coprono solo il 63,6% della popolazione totale.

Si deve considerare che la classifica delle 30 nazioni maggiori produttrici di dati non coincide con le 30 nazioni più popolose al mondo: ben 14 nazioni della classifica di quelle più popolose sono escluse dalla classifica delle 30 nazioni produttrici di dati e queste nazioni escluse, da sole, raggiungono il 18,3% della popolazione mondiale.

Considerando che complessivamente l’ONU censisce 196 diverse nazioni al mondo, ne consegue che ci sono ben 166 nazioni che sono praticamente escluse dalla classifica dei 30 maggiori produttori di dati e in esse vive il 36,4% della popolazione mondiale.

Il tutto poi deve essere letto alla luce del fatto che nelle prime 30 nazioni che producono dati al mondo compaiono anche la Cina e l’India (che complessivamente ammontano al 37,1% della popolazione mondiale), dove è risaputo che la maggior parte della popolazione è ridotta a livelli di povertà tali da non produrre in realtà alcun dato.

Se solo si sottraesse la metà dei cinesi e degli indiani, i quali non dovrebbero comparire nel conteggio delle popolazioni correlate con la produzione di dati, la rappresentatività delle prime 30 scenderebbe dal 63,6 al 45,0% della popolazione mondiale.

Tale rappresentatività parziale delle nazioni/culture correlate alla produzione di dati diventa ancora più marcata se si analizza l’area geografica di provenienza di quei dati

Da questa rappresentazione geografica chiaramente emerge che:

• Ci sono intere aree culturali che non rientrano nella lista delle 30 nazioni che maggiormente producono dati al mondo
• Tali aree culturali (stiamo parlando di ben 166 diverse nazioni) seppur minoritarie per numero di abitanti, o per estensione territoriale, non sono rappresentate termini di dignità e di rappresentatività nelle basi di dati che rappresentano fenomeni globali.

Le 30 nazioni maggiori produttrici di dati ricalcano perfettamente il modello delle nazioni definite WEIRD: Western, Educated, Industrialized Rich and Democratic (occidentali, istruite, industrializzate, ricche e democratiche), che ovviamente non possono essere considerate rappresentative dell’intera umanità. Dobbiamo rassegnarci: i dati oggi a disposizione ed analizzabili con algoritmi di Intelligenza Aumentata, se applicati all’intera popolazione del mondo non sono per ora (purtroppo) rappresentativi.

Conclusione

C’è il concreto rischio che quando gli algoritmi di Intelligenza Aumentata vengono applicati a fenomeni di tipo “macro o globali” i due bias citati in questo intervento si sommino:

• Un primo bias generato dal lato più umano del Data Scientist
• Un secondo bias generato dalla parzialità dei dati generata dal fatto che essi non sono rappresentativi di intere aree culturali del nostro pianeta o non rappresentano determinati gruppi di individui.

Ciò può minare pesantemente l’efficacia delle elaborazioni eseguite tramite un algoritmo di Machine Learning o di Deep Learning, il quale non ha una sua volontà autonoma: si limita solo a studiare i dati che gli vengono forniti.

Non è che l’Intelligenza Aumentata sia “razzista” in sé, ma l’elaborazione generata partendo da dati parziali o affetta da bias dell’implementatore possono trasformare un Engine di IA in un razzista della peggior specie. L’effetto poi è ulteriormente amplificato quando un’elaborazione eseguita su un ridotto set di dati viene estesa in modo arbitrario a livello globale, perdendo quindi di significatività. Ciò può portare in modo fallace anche alla conferma di teorie illogiche, trend inesistenti e fenomeni non reali.

Concludendo, in un progetto di Intelligenza Aumentata, i dati utilizzati per la fase di Machine Learning devono essere sempre “rappresentativi della globalità dei fenomeni”.

Per fare ciò si parte dalla scelta della composizione del team dei Data Scientist, perché già essa stessa è cruciale. Se è vero che è impossibile evitare i bias spesso involontari generati da singoli operatori, è altrettanto vero che tali “bias del singolo” possono essere significativamente mitigati attraverso la creazione di team d’implementazione multiculturali, composti da esperti con percorsi di formazione complementari e con esperienze professionali ed umane le più diversificate possibili.

I dati poi devono rispondere sempre a 4 criteri fondamentali: devono essere rappresentativi di un intero fenomeno, devono essere rilevanti, non devono contenere errori e, cosa assai importante, fin dalla fase di prima analisi, è necessario che tutti quei dati siano validati da persone esperte di settore o di quegli specifici domini di dati.

Solo applicando sempre tutte queste attenzioni si può evitare che un algoritmo di Intelligenza Aumentata generi risultati talmente parziali da rasentare in modo involontario il razzismo.

La sfida oggi è quella di sviluppare algoritmi di Intelligenza Aumentata in maniera etica, inclusiva, non discriminante, ma si parte dalla qualità dei dati e dalla qualità delle persone che li analizzano.

La piena rappresentatività dei dati e la composizione diversificata del team di esperti implementatori sono i principali antidoti a questi rischi, che comunque sono sempre presenti e devono essere tenuti in debita considerazione.

Note e fonti dei dati

Bias cognitivo: è un errore sistematico nell’elaborazione delle informazioni utilizzate durante la fase di machine o deep learning di un Engine di IA. Tale errore comporta la generazione di elaborazioni sbagliate, parziali, basate su pregiudizi consci e inconsci o generanti una visione distorta della realtà. Il bias può essere del tutto involontario e di solito lo è e dipende da una scorretta scelta dei dati sui quali eseguire la delicata fase di machine o deep learning. Un sistema basato su un bias dà origine a un machine bias, che può essere poi molto difficile da indentificare una volta che è messo a regime e in funzionamento.

Definizione di Razzista dal Vocabolario Treccani: “Razzista è chi predica e pratica il razzismo, inteso sotto il profilo storico come (scrive il Vocabolario Treccani) «ideologia, teoria e prassi politica e sociale fondata sull’arbitrario presupposto dell’esistenza di razze umane biologicamente e storicamente “superiori”, destinate al comando, e di altre “inferiori”, destinate alla sottomissione, e intesa, con discriminazioni e persecuzioni contro di queste, e persino con il genocidio, a conservare la “purezza” e ad assicurare il predominio assoluto della pretesa razza superiore».” http://www.treccani.it/magazine/lingua_italiana/articoli/parole/razzista.html Nel contesto di questo intervento, l’approccio razzista consiste nella non rappresentatività statistica di intere popolazioni all’interno dei database che vengono utilizzati per eseguire cicli di machine learning

Which Countries Are Leading the Data Economy? By Bhaskar Chakravorti, Ajay BhallaRavi and Shankar Chaturvedi JANUARY 24, 2019
https://hbr.org/2019/01/which-countries-are-leading-the-data-economy

ONU – World Population Prospects: The 2012 Revision,  http://esa.un.org e https://it.wikipedia.org/wiki/Stati_per_popolazione

Dettagli su elaborazione propria, basata sulle fonti di dati (Nota 3) e (Nota 4)

Ma qual è la differenza tra chatbot divergente e chatbot convergente? Non potevo non rivolgermi a GPT-3 per chiederlo, questa è la sua risposta:

“Un chatbot convergente è progettato per rispondere a domande specifiche o eseguire compiti specifici in modo efficiente. Di solito, questo tipo di chatbot segue un percorso di conversazione lineare, in cui l’interazione è guidata dall’utente e dal chatbot in modo da raggiungere un obiettivo preciso. Ad esempio, un chatbot convergente potrebbe essere utilizzato per assistere gli utenti nel completamento di un ordine o per rispondere a domande frequenti su un prodotto o servizio. 

D’altra parte, un chatbot divergente è progettato per avere una conversazione più libera e aperta con l’utente, senza seguire un percorso di conversazione lineare. Questo tipo di chatbot è in grado di gestire una vasta gamma di argomenti e può rispondere a domande aperte e generiche, fornendo anche informazioni aggiuntive o intrattenimento. Ad esempio, un chatbot divergente potrebbe essere utilizzato per chiacchierare con gli utenti, fornire informazioni su eventi locali o consigli su attività da fare. 

In sintesi, la principale differenza tra un chatbot convergente e uno divergente è che il primo segue un percorso di conversazione lineare e mirato, mentre il secondo permette una conversazione più aperta e flessibile. La scelta tra i due dipenderà dall’uso specifico per cui si intende utilizzare il chatbot e dagli obiettivi dell’interazione.“

Molte aziende in questo momento si stanno infatti chiedendo quale tipo di chatbot impostare in base ai loro fini: ognuna delle due tecnologie ha aspetti positivi e negativi, vediamole nel dettaglio.

Meglio un chatbot divergente o un chatbot convergente?

L’ovvia risposta è che dipende dai casi d’utilizzo, ma in generale per realizzare un chatbot cognitivo aperto al pubblico, come ad esempio un venditore digitale, se si vuole aggiungere contenuti non lineari, servono entrambi. Vediamo il perché.

La potenza di tutti gli engine di IA di tipo divergente (come lo è chatGPT) consiste nella capacità di dare risposte appunto non lineari, risposte sulle quali il progettista del chatbot o data scientist non ha pre-determinato in modo esplicito la relativa risposta. 

Gli aspetti più critici della tecnologia chatbot divergente sono:  

• L’engine di IA è tecnicamente è in grado di rispondere praticamente a qualunque domanda e in un chatbot per uso reale, non sempre è necessario (o opportuno) rispondere a certi tipi di domanda 

• Non sempre le domande sono precise ed accurate anzi, spesso contengono degli errori, talvolta macroscopici. 

Certamente tramite queste criticità sono parzialmente risolvibili tramite: 

• Il prompt-engineering, che è la capacità di indicare all’engine di IA delle caratteristiche ricercate, degli stili di risposta e, cosa più importante, di focalizzare l’engine di IA in modo che si concentri su uno specifico obiettivo; 
• Il training su delle knowledge base specifiche, per fare in modo che l’engine di AI, quando risponde, usi anche tale “conoscenza aggiuntiva specialistica”. 

Ma ciò non basta.

Voi investireste un centesimo in un chatbot che quando gli viene posta la domanda “chi è la migliore azienda che produce…” e la risposta è il nome del vostro peggiore concorrente? Non credo. Cosa doppiamente grave se poi tale risposta non è neanche vera!

Come integrare i due tipi di chatbot

Quando si vuole dotare un chatbot di alcune capacità di risposta di tipo divergente, bisogna utilizzare nella stessa piattaforma molteplici engine: 

• Uno o più di tipo divergente, orchestrati da uno di tipo convergente; 

• Uno di tipo convergente (quello lineare, con risposte controllate ed in grado di monitorare intenti ed entità presenti nella comunicazione con l’utente) al quale dare il ruolo dell’ORCHESTRATORE CONVERGENTE, che filtra tutte le richieste utente e decide quale engine debba dare la risposta (lui stesso se ha già la risposta, oppure uno diverso); 
• Ai vari engine divergenti (quelli non lineari, con risposte creative) il compito di rispondere solo se l’orchestratore ha inviato loro una domanda. 

Solo così è possibile sviluppare un chatbot che: 

• Continui a rispondere in modo corretto a tutte le domande di interesse dell’organizzazione, fornendo risposte puntuali, precise e corrispondenti al vero; 
• Possa, in alcuni casi, rivolgersi agli engine divergenti, in base all’uso (permettendo anche di filtrare la risposta ottenuta ripassandola al chatbot convergente per una doppia risposta);
• Possa filtrare la presenza nelle domande di argomenti non voluti, fuori tema, oppure di domande che contengono certe funzioni “nascoste” degli engine di IA che permettono di evitare i filtri etici e legali.

Conclusione

Per fare questo serve quindi una piattaforma chatbot in grado di gestire molti engine di IA contemporaneamente. La nostra piattaforma di chatbot MCC, per esempio, è strutturata per integrare entrambi i tipi di engine.

Noi teorizzavamo questo già 6 anni fa, all’inizio del nostro percorso nel mondo dei chatbot cognitivi basati su IA: cioè la co-presenza in un chatbot di diversi engine specialistici che vengono utilizzati in modo controllato da un engine orchestratore e da alcuni algoritmi di programmazione standard che collaborano per dotare un chatbot convergente anche di funzionalità divergenti. 

Per sviluppare oggi un vero assistente digitale basato su IA, la presenza di una moltitudine di engine è una caratteristica imprescindibile ed è l’unico modo (assieme al prompt engineering ed al training specifico) di realizzare soluzioni chatbot “industrial grade” in grado di produrre risultati eccezionali, ma rispettando l’etica dell’organizzazione, le norme etiche condivise a livello internazionale e che risponda a criteri di legalità, aiutando le organizzazioni a rispondere meglio ai propri clienti o a presentare prodotti in modo innovativo.

Vuoi vedere come funziona il nostro chatbot MCC?